armorFinder_ROS2

YOLOv5s训练学习记录：

训练、获取模型

YOLOv5初级使用教程

下载yolov5

git上下载Yolov5并调通测试代码

数据集准备与文件夹结构

这里我使用的是之前提供的装甲板数据集'RM_train_data'
这个和原本提供的'RM_train_data'不太一样，需要改成下边的样子

├─images
│ ├─test
│ ├─train
│ └─val
└─labels
├─test
├─train
└─val

新建数据路径yaml配置文件

比如我在./data下新建了一个RM.yaml（应该很容易看懂）

# YOLOv5 ? by Ultralytics, AGPL-3.0 license
# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC by University of Oxford
# Example usage: python train.py --data VOC.yaml
# parent
# ├── yolov5
# └── datasets
#     └── VOC  ← downloads here (2.8 GB)


# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
# path: ../datasets/VOC
train: /home/danielvon/MyCodes/RM_train_data/images/train # 3555 images
val: /home/danielvon/MyCodes/RM_train_data/images/val # 360 images
test: /home/danielvon/MyCodes/RM_train_data/images/test


# Classes
nc: 12 # number of classes
names: ['r1', 'r2', 'r3', 'r4', 'b1', 'b2', 'b3', 'b4', 'rs', 'rj', 'bs', 'bj'] # class names

新建yaml配置文件

比如我在./models下新建了个yolov5s_RM.yaml（从yolov5s.yaml改来的，只要改一下nc的值(也就是'number of classes'的值)就好了）

训练

用下边的命令开始训练

python train.py --data RM.yaml --cfg yolov5s_RM.yaml --weights yolov5s.pt --epoch 120 --batch-size 16 --device 0

训练结束后会在./runs中生成/train/expX文件夹，最后训练出的模型为/expX/weights/best.pt，加载这个模型即可进行目标检测
例如：

python3 detect.py --weights ./runs/train/exp2/weights/best.pt --source 0 --device 0

一些参数 YOLOv5训练与测试参数介绍
train.py

--weigths: 指的是训练好的网络模型，用来初始化网络权重
--cfg：为configuration的缩写，指的是网络结构，一般对应models文件夹下的xxx.yaml文件
--data：训练数据路径，一般为data文件夹下的xxx.yaml文件
--epochs：设置训练的轮数
--batch-size：每次输出给神经网络的图片数
--rect：是否采用矩形训练
--resume：指定之前训练的网络模型，并继续训练这个模型
--cache-images：是否对图片进行缓存，可以加快训练
--device：训练网络的设备cpu还是gpu
--sync-bn：生效后进行多 GPU 进行分布式训练
--workers: 多线程训练
--name：训练结果保存文件名
--multi-scale：训练过程中对图片进行尺度变换

detect.py

--weights：训练的权重
--source：测试数据，可以是图片/视频路径，也可以是'0'(电脑自带摄像头),也可以是rtsp等视频流
--output：网络预测之后的图片/视频的保存路径
--img-size：网络输入图片大小
--conf-thres：置信度阈值（检测精度，作者是设置的0.25）
--iou-thres：做nms的iou阈值（）
--device：设置设备
--save-txt：是否将预测的框坐标以txt文件形式保存，默认False
--classes：设置只保留某一部分类别，形如0或者0 2 3
--agnostic-nms：进行nms是否也去除不同类别之间的框，默认False
--augment：推理的时候进行多尺度，翻转等操作(TTA)推理
--update：如果为True，则对所有模型进行strip_optimizer操作，去除pt文件中的优化器等信息，默认为False